Development of Geostatistical Models for Assessing the Confirmability of Geomorphological Characteristics of the Geological Structures (Bashkir Svod, Perm Krai)

Abstract


Today, despite the relatively high accuracy of preparing geological structures for deep drilling in the Perm Krai using 3D seismic, there is a discrepancy between the geological and morphological characteristics of structures before drilling and according to drilling results, which makes it necessary to develop a geological and statistical approach that makes it possible to more accurately assess the risks of non-confirmation of the geological and morphological characteristics of structures prepared for deep drilling, as well as to determine the priority of objects for further geological exploration work. This work describes one of the options for developing a geological and statistical approach for rank differentiation of 25 structures of the IIК seismic reflector and 21 structures of the IIП seismic reflector, prepared by 3D seismic exploration. These structures has been already drilled by prospecting and appraisal wells within the Bashkir arch (Perm Krai). The initial data for the analysis were from the passport of structures prepared for deep drilling: the amplitude of the structure, the structure area according to the corresponding reflecting horizon, the ratio of the structure length to its width, the angle between the long axis of the structure and the axis of the nearest tectonic second order element, the distance from the structure to the edge of the nearest second order tectonic element and the distance from the structure to the center of the nearest second order tectonic element. For each model, the nature and degree of influence of the studied indicators on the confirmability of the amplitude by drilling was determined and described. The assessment of differentiation of structures by class and the accuracy of determining class boundaries were confirmed when classifying the structures of the test sample using discriminant analysis. This geological and statistical approach can be used for a more accurate assessment of the risks associated with the problem of the unconfirmability of the geological and morphological characteristics of structures prepared for deep drilling, as well as for identifying priority objects for geological exploration work, regardless of their geographical location and belonging to tectonic elements.

Full Text

Введение В настоящее время, несмотря на относительно высокую точность подготовки структур к глубокому бурению, в Пермском крае по данным сейсморазведочных работ 3D наблюдается несоответствие между геолого-морфологическими характеристиками структур по результатам бурения и характеристиками по данным паспорта структуры подготовленной к глубокому бурению, из-за чего возникает необходимость разработки геолого-статистического подхода, позволяющего более точно оценить риски неподтверждения геолого-морфологических характеристик подготовленных к глубокому бурению структур, а также определить первоочередность объектов для дальнейших геолого-разведочных работ [1-10]. Дифференциация структур по классам перспективности и обоснование границ выделенных классов Для анализа зависимостей амплитуд структур по данным поисково-оценочного бурения (АБ) от различных геолого-морфологических показателей, таких как амплитуда структуры, подготовленной к глубокому бурению по данным паспорта (АП), площадь структуры по соответствующему отражающему горизонту (SОГ), отношение длины структуры к её ширине (D/S), угол между длинной осью структуры и осью ближайшего тектонического элемента второго порядка (γ), расстояние от структуры до края ближайшего тектонического элемента второго порядка (LК), расстояние от структуры до центра ближайшего тектонического элемента второго порядка (LЦ), в программном обеспечении Statistica была выполнена пошаговая множественная регрессия для групп разного количества структур N, разбуренных поисково-оценочными скважинами на территории Башкирского свода Пермского края [10-34]. Регрессия выполнялась для N от 3 до 18 структур включительно по отражающим горизонтам (ОГ) IIК и IIП. Ранжирование выборки было произведено в порядке возрастания амплитуд структур, подтвердившихся глубоким бурением (АБ). В табл. 1 и 2 представлены результаты регрессионного исследования АБ = f(АП, SОГ, D/S, γ, LК, LЦ) для ОГ IIК и ОГ IIК. Результаты регрессионного исследования для ОГ IIК и IIП позволили объединить полученные геолого-статистические модели, близкие по характеру влияния значимых показателей. Так, и для ОГ IIК, и для ОГ IIП были выделены три класса структур [12-14]. Результаты регрессионного исследования для ОГ IIК представлены в табл. 1. Класс «0» ОГ IIК характеризует интервал N, где наблюдается формирование первой геолого-статистической модели, обусловленное постепенным увеличением N от 3 до 8. Стабилизация первой геолого-статистической модели происходит при N, равным 9. Статистически значимых показателей в классе «0» нет. Класс «1» ОГ IIК соответствует первой устойчивой геолого-статистической модели, прослеживающейся при N от 9 до 12. Статистически значимыми показателями, контролирующими модель в данном интервале, являются угол между длинной осью структуры и осью ближайшего тектонического элемента второго порядка (γ) и фрагментарно амплитуда структуры, подготовленной к глубокому бурению по данным паспорта (АП). Коэффициент множественной корреляции (R2) в данном интервале изменяется от 0,629 до 0,777. Величина p-критерия в данном интервале сформированной геолого-статистической модели варьируется от 0,051 до 0,002. Перестроение геолого-статистической модели с первой на вторую происходит при N равным 13. Класс «2» ОГ IIК соответствует второй устойчивой геолого-статистической модели, прослеживающейся при N от 13 до 18. Статистически значимым показателем в данном интервале является амплитуда структуры, подготовленной к глубокому бурению по данным паспорта (АП). Коэффициент множественной корреляции (R2) в данном интервале изменяется от 0,558 до 0,893. Величина p-критерия в данном интервале сформированной геолого-статистической модели варьируется от 0,017 до 0,000. Результаты регрессионного исследования для ОГ IIП представлены в табл. 2. Класс «0» ОГ IIП характеризует интервал N, где наблюдается формирование первой геолого-статистической модели, обусловленное постепенным увеличением N от 3 до 6. Стабилизация первой геолого-статистической модели происходит при N, равным 7. Статистически значимых показателей в классе «0» нет. Класс «1» ОГ IIП соответствует первой устойчивой геолого-статистической модели, прослеживающейся при N от 7 до 14. Статистически значимым показателем, контролирующим модель в данном интервале, является угол между длинной осью структуры и осью ближайшего тектонического элемента второго порядка (γ). Коэффициент множественной корреляции (R2) в данном интервале изменяется от 0,682 до 0,886. Величина p-критерия в данном интервале варьируется от 0,000 до 0,004. Перестроение геолого-статистической модели с первой на вторую происходит при N, равным 15. Класс «2» ОГ IIП соответствует второй устойчивой геолого-статистической модели, прослеживающейся при N от 16 до 19. Статистически значимыми показателями в данном интервале являются амплитуда структуры, подготовленной к глубокому бурению по данным паспорта (АП), и фрагментарно угол между длинной осью структуры и осью ближайшего тектонического элемента второго порядка (γ). Коэффициент множественной корреляции (R2) в данном интервале изменяется от 0,847 до 0,880. Величина p-критерия в данном интервале варьируется около 0,000. Наблюдается различная зависимость АБ от показателей АП, SОГ, D/S, γ, LК и LЦ в разных интервалах N, что указывает на возможность дифференциации значения АБ на три диапазона (класса) для каждого отражающего горизонта. Таблица 1 Результаты регрессионного исследования для ОГ IIК N п/п АП, м АБ, м B, доли ед. Коэффициенты при показателях, доли ед. R2, доли ед. p-кр., доли ед. Класс АП SОГ D/S γ LК LЦ 1 10 3 2 16 8 3 14 9 -1,837 0,005 0,000 1,000 0 4 11 10 9,797 -0,001 -0,001 0,000 1,000 0 5 13 10 7,866 -0,001 0,000 0,957 0,043 0 6 11 11 7,679 -0,001 0,323 0,240 0 7 16 12 -0,311 1,334 -0,004 -11,989 0,575 0,405 0 8 15 13 6,023 1,543 0,305 0,156 0 9 13 17 7,138 0,573 -0,202 0,629 0,051 1 10 18 18 6,822 0,606 -0,206 0,745 0,008 1 11 15 19 7,353 0,618 -0,230 0,776 0,003 1 12 17 19 4,809 0,818 -0,224 0,754 0,002 1 13 17 19 -5,727 1,575 -1,946 0,558 0,017 2 14 20 26 -6,139 1,708 -2,061 -4,786 0,728 0,004 2 15 27 29 -2,119 1,380 -1,706 -5,074 0,785 0,001 2 16 26 31 -2,345 1,399 -1,735 -5,017 0,841 0,000 2 17 33 35 -0,983 1,320 -1,754 -5,668 0,880 0,000 2 18 29 39 -1,977 1,402 -1,992 -4,401 0,893 0,000 2 Примечание: здесь и в табл. 2 жирным шрифтом выделены статистически значимые показатели, для которых значение p-критерия, характеризующего вероятность ошибки первого рода, меньше или равно 0,05; N - порядковый номер структур; B - свободный член регрессионной модели. Таблица 2 Результаты регрессионного исследования для ОГ IIП N п/п АП, м АБ, м B, доли ед. Коэффициенты при показателях, доли ед. R2, доли ед. p-кр., доли ед. Класс АП SОГ D/S γ LК LЦ 1 9 7 2 14 7 3 16 11 23,000 -24,000 1,000 0 4 15 14 14,407 0,007 -1,957 -18,397 1,000 0 5 14 16 12,512 1,357 -17,644 0,000 0,000 1,000 0 6 16 16 11,609 0,001 1,022 -18,136 0,000 0,001 1,000 0 7 18 18 19,860 -0,204 0,838 0,004 1 8 20 20 19,915 -0,205 0,883 0,001 1 9 21 20 20,442 -0,216 0,886 0,000 1 10 17 24 21,303 -0,235 0,886 0,000 1 11 18 26 22,464 -0,252 0,762 0,001 1 12 24 26 23,101 -0,268 0,784 0,000 1 13 19 28 24,043 -0,279 0,701 0,000 1 14 23 28 24,816 -0,293 0,682 0,000 1 15 31 36 6,972 1,048 -1,931 -0,115 0,847 0,000 2 16 34 36 7,590 1,017 -1,920 -0,121 0,878 0,000 2 17 32 39 4,113 1,165 -1,891 -0,080 0,880 0,000 2 18 33 45 1,203 1,276 -2,326 0,879 0,000 2 Таблица 3 Фактические и расчетные границы классов Класс Тип структуры АБ по ОГ IIК, м АБ по ОГ IIП, м фактический интервал расчетный интервал фактический интервал расчетный интервал «0» Малоперспективные < 13 < 15 < 16 < 17 «1» Среднеперспективные 17 < … < 19 15 < … < 19 18 < … < 28 17 < … < 32 «2» Высокоперспективные 19 < 19 < 36 < 32 < Таблица 4 Зависимость свободного члена уравнений регрессии (B) от амплитуды структуры (АБ) Показатель ОГ Класс Уравнение зависимости Коэф. корр. r Характер корреляции АБ IIК «0» 2,2536 + 0,2415 ∙ АБ 0,074 Положительная слабая «1» 16,5285 - 0,5478 ∙ АБ -0,449 Отрицательная слабая «2» -10,6977 + 0,2508 ∙ АБ 0,812 Положительная высокая IIП «0» 46,1277 - 2,1576 ∙ АБ -0,978 Отрицательная высокая «1» 10,9544 + 0,4648 ∙ АБ 0,957 Положительная высокая «2» 31,3071 - 0,6753 ∙ АБ -0,977 Отрицательная высокая Таблица 5 Зависимость АБ от разных показателей Показатель (x) ОГ Класс Уравнение зависимости Коэф. корр. r Характер корреляции АП IIК «0» 6,25 + 0,3438 ∙ АП 0,482 Положительная слабая «1» 14,7797 + 0,2203 ∙ АП 0,510 Положительная средняя «2» 3,0385 + 1,0577 ∙ АП 0,890 Положительная высокая IIП «0» 32,2727 - 1,1818 ∙ АП -0,479 Отрицательная слабая «1» 14,6591 + 0,4545 ∙ АП 0,291 Положительная слабая «2» 19,5 + 0,6 ∙ АП 0,183 Положительная слабая γ IIК «0» 12,5476 - 0,0857 ∙ γ -0,487 Отрицательная слабая «1» 18 + 0,0667 ∙ γ 0,522 Положительная средняя «2» 22,8814 + 0,3144 ∙ γ 0,960 Положительная высокая IIП «0» 17,2727 - 0,1152 ∙ γ -0,700 Отрицательная средняя «1» 24 - 2,5714 ∙ γ -0,058 Отрицательная слабая «2» 30,2169 + 0,2602 ∙ γ 0,807 Положительная высокая D/S IIК «0» 8,7102 + 0,898 ∙ D/S 0,751 Положительная высокая «1» 19,1133 - 0,6101 ∙ D/S -0,282 Отрицательная слабая «2» 47,0413 - 11,3281 ∙ D/S -0,650 Отрицательная средняя IIП «0» 14,7429 - 0,1969 ∙ D/S -0,093 Отрицательная слабая «1» 30,0038 - 3,3265 ∙ D/S -0,719 Отрицательная средняя «2» 50,58 - 7,9237 ∙ D/S 0,420 Положительная слабая SОГ IIК «0» 10,7303 + 8,3461E-5 ∙ SОГ 0,034 Положительная слабая «1» 18,6987 - 0,0002 ∙ SОГ -0,404 Отрицательная слабая «2» 25,2196 + 0,0026 ∙ SОГ 0,417 Положительная слабая IIП «0» 16,0155 - 0,0015 ∙ SОГ -0,372 Отрицательная слабая «1» 26,0356 - 0,0011 ∙ SОГ -0,343 Отрицательная слабая «2» 33,9529 + 0,0028 ∙ SОГ 0,602 Положительная средняя LК IIК «0» 10,9675 + 0,0002 ∙ LК 0,268 Положительная слабая «1» 18,0263 + 8,3775E-5 ∙ LК 0,632 Положительная средняя «2» 29,88 + 0,0002 ∙ LК 0,050 Положительная слабая IIП «0» 14,1998 + 0,0007 ∙ LК 0,696 Положительная средняя «1» 23,6705 + 0,0001 ∙ LК 0,174 Положительная слабая «2» 39,0214 + 0,0003 ∙ LК 0,121 Положительная слабая LЦ IIК «0» 10,9056 - 1,1629E-5 ∙ LЦ -0,045 Отрицательная слабая «1» 17,5669 + 6,2671E-5 ∙ LЦ 0,540 Положительная средняя «2» 24,5051 + 0,0006 ∙ LЦ 0,355 Положительная слабая IIП «0» 12,2836 + 0,0002 ∙ LЦ 0,424 Положительная слабая «1» 22,9692 + 0,0001 ∙ LЦ 0,245 Положительная слабая «2» 26,6512 + 0,0012 ∙ LЦ 0,531 Положительная средняя Расчетные граничные значения разных классов АБ приняты как средние значения между фактическими граничными значениями классов (табл. 3) [32-38]. Зависимости свободного члена (B) от амплитуды структуры (АБ) по ОГ IIК и ОГ IIП приведены на рис. 1. Из рис. 1 видно, что по ОГ IIК для класса «0» прослеживается слабая положительная зависимость B от показателя АБ, для класса «1» - слабая отрицательная, для класса «2» - высокая положительная; по ОГ IIП для класса «0» - высокая отрицательная; для класса «1» - высокая положительная; для класса «2» - высокая отрицательная [32-37]. Результаты анализа зависимости свободного члена уравнений регрессии (B) от амплитуды структуры (АБ) по ОГ IIК и ОГ IIП приведены в табл. 4. Анализ зависимости свободного члена уравнений регрессии (B) от амплитуды структуры (АБ) по ОГ IIК и ОГ IIП доказывает, что определение границ классов «0», «1» и «2» выполнено верно. а б Рис. 1. Поля корреляции B = f(АБ) для ОГ IIК (а) и ОГ IIК (б) а б Рис. 2. Поля корреляции АБ = f(х): а - для ОГ IIК; б - для ОГ IIП Таблица 6 Канонические дискриминантные функции ОГ Корень Константа АП SОГ D/S γ LЦ Соб. зн. ОГ IIК Кор. 1 -3,006 0,266 0,000 -0,380 -0,808 0,000 3,036 Кор. 2 0,782 0,020 0,000 0,116 -5,271 0,000 0,559 ОГ IIП Кор. 1 -11,581 0,492 0,001 -0,402 2,178 0,000 15,748 Кор. 2 -2,241 0,032 -0,001 0,552 6,035 0,000 1,815 Таблица 7 Качественная характеристика дискриминантного анализа N Лямбда Уилкса, доли ед. Частная лямбда, доли ед. F-критерий - (3.18) p-критерий, доли ед. Толерантность R2 Для ОГ IIК АП 0,417 0,381 8,937 0,005 0,763 0,237 SОГ 0,164 0,971 0,167 0,849 0,655 0,345 D/S 0,166 0,955 0,257 0,778 0,687 0,313 γ 0,231 0,689 2,478 0,129 0,756 0,244 LЦ 0,186 0,854 0,941 0,420 0,570 0,431 Для ОГ IIП АП 0,258 0,082 61,353 0,000 0,726 0,274 SОГ 0,032 0,667 2,750 0,108 0,541 0,459 D/S 0,025 0,851 0,964 0,412 0,691 0,310 γ 0,049 0,430 7,282 0,010 0,801 0,199 LЦ 0,024 0,903 0,589 0,572 0,650 0,350 Поля корреляции для ОГ IIК и ОГ IIП между АБ и разными показателями приведены на рис. 2. Результаты анализа полей корреляции представлены в табл. 5. Оценка зависимостей произведена по значениям коэффициента корреляции (r). Исходя из результатов анализа полей корреляции, можно сделать следующие выводы [39-43]: 1. Класс «0». Для малоперспективных структур до 15 метров по ОГ IIК прослеживается высокая положительная зависимость АБ от показателя D/S; слабая положительная - от АП, LК и SОГ; слабая отрицательная - от γ и LЦ. Для малоперспективных структур до 17 м по ОГ IIП прослеживается средняя положительная зависимость АБ от показателя LК; средняя отрицательная - от γ; слабая положительная - от LЦ; слабая отрицательная - от АП, SОГ и D/S. 2. Класс «1». Для среднеперспективных структур от 15 до 19 м по ОГ IIК прослеживается средняя положительная зависимость АБ от показателей АП, γ, LК, LЦ; слабая отрицательная - от D/S и SОГ. Для среднеперспективных структур от 17 до 32 метров по ОГ IIП прослеживается средняя отрицательная зависимость АБ от показателя D/S; слабая положительная - от АП, LЦ и LК; слабая отрицательная - от SОГ и γ. 3. Класс «2». Для высокоперспективных структур от 19 метров по ОГ IIК прослеживается высокая положительная зависимость АБ от показателей γ и АП; средняя отрицательная - от D/S; слабая положительная - от SОГ, LЦ и LК. Для высокоперспективных структур от 32 метров по ОГ IIП прослеживается высокая положительная зависимость АБ от показателя γ; средняя положительная - от SОГ и LЦ; слабая положительная - от D/S, АП и LК. Оценка использования построенных моделей на практике Для оценки использования на практике разработанной модели дифференциации структур был проведен дискриминантный анализ [18-20, 43-48]. Канонические дискриминантные функции, определяющие процесс классифицирования, подчинялись законам, указанным в табл. 6. Собственные значения корней функции Кор. 1 и Кор. 2, характеризующие качество дифференцирования, соответственно равны 3,036 и 0,559 для ОГ IIК и 15,748 и 1,815 для ОГ IIП. Это означает, что в данном случае наиболее действенным будет разделение классов по Кор. 1 дискриминантной функции, поскольку чем больше собственное значение функции, тем эффективней разделение [43-45]. Качественные характеристики дискриминантного анализа для ОГ IIК и ОГ IIП представлены в табл. 7. Лямбда Уилкса, характеризующая отношение внутригрупповой изменчивости к общей и определяющая качество группировки, в данном случае колеблется в пределах 0,164-0,417 долей ед. для ОГ IIК и 0,024-0,258 долей ед. для ОГ IIП, что означает, что для ОГ IIП группы более однородны внутри себя, чем для ОГ IIК, и практически не пересекаются между собой. Частная лямбда определяет ценность того или иного признака классификации, т.е. определяет степень изменчивости лямбды Уилкса после добавления переменной. То есть чем меньше её значение, тем ценнее оказывается признак. В данном случае наиболее ценной переменной для ОГ IIК является АП, а для ОГ IIП - АП и γ. Таблица 8 Апостериорные вероятности для ОГ IIК N Выборка Класс Апостериорные вероятности Класс «0» (p = 0,444) Класс «1» (p = 0,222) Класс «2» (p = 0,333) 1 обуч. «0» 0,999 0,001 0,000 2 экз. «0» 0,984 0,016 0,000 3 экз. «0» 0,978 0,022 0,000 4 обуч. «0» 0,984 0,011 0,005 5 экз. «0» 0,999 0,001 0,000 6 экз. «0» 0,950 0,050 0,000 7 экз. «0» 0,999 0,001 0,000 8 обуч. «0» 0,985 0,015 0,000 9 обуч. «0» 0,662 0,337 0,002 10 обуч. «0» 0,820 0,180 0,000 11 экз. «0» 0,973 0,027 0,000 12 обуч. «0» 0,863 0,137 0,000 13 обуч. «0» 0,782 0,147 0,071 14 обуч. «0» 0,514 0,471 0,015 15 экз. «1» 0,016 0,983 0,001 16* обуч. «0» 0,758 0,239 0,003 17 обуч. «1» 0,079 0,742 0,178 18 обуч. «1» 0,230 0,769 0,000 19 обуч. «1» 0,057 0,888 0,055 20* обуч. «0» 0,591 0,136 0,273 21 обуч. «2» 0,013 0,080 0,907 22 обуч. «2» 0,001 0,019 0,981 23 обуч. «2» 0,001 0,009 0,990 24 обуч. «2» 0,000 0,000 1,000 25 обуч. «2» 0,000 0,001 0,999 Примечание: неправильные классификации обучающей выборки отмечены (*) и вызваны принадлежностью значения АБ к граничному значению классов. Таблица 9 Апостериорные вероятности для ОГ IIП N Выборка Класс Апостериорные вероятности Класс «0» (p = 0,333) Класс «1» (p = 0,444) Класс «2» (p = 0,222) 1 экз. «0» 0,929 0,071 0,000 2 обуч. «0» 1,000 0,000 0,000 3 обуч. «0» 1,000 0,000 0,000 4 экз. «0» 1,000 0,000 0,000 5 обуч. «0» 0,998 0,003 0,000 6 обуч. «0» 0,871 0,129 0,000 7 обуч. «0» 0,999 0,001 0,000 8 обуч. «0» 0,965 0,035 0,000 9 обуч. «1» 0,011 0,989 0,000 10 обуч. «1» 0,000 1,000 0,000 11 обуч. «1» 0,034 0,966 0,000 12 обуч. «1» 0,003 0,997 0,000 13 обуч. «1» 0,014 0,986 0,000 14 обуч. «1» 0,000 1,000 0,000 15 обуч. «1» 0,000 1,000 0,000 16 обуч. «1» 0,000 1,000 0,000 17 экз. «1» 0,000 1,000 0,000 18 обуч. «2» 0,000 0,000 1,000 19 обуч. «2» 0,000 0,000 1,000 20 обуч. «2» 0,000 0,000 1,000 21 обуч. «2» 0,000 0,000 1,000 а б Рис. 3. График корней дискриминантных функций Кор. 1 и Кор. 2 для ОГ IIК (а) и ОГ IIП (б) а б Рис. 4. Схема распределения различных классов структур по результатам анализа апостериорных вероятностей для ОГ IIК (а) и ОГ IIП (б); синим цветом выделены границы тектонических элементов первого порядка, красным - второго Графики корней дискриминантных функций Кор. 1 и Кор. 2 для ОГ IIК и ОГ IIП представлены на рис. 3. По ОГ IIК класс «0» располагается только в отрицательных значениях Кор. 1 и как в отрицательных, так и в положительных значениях Кор. 2; класс «1» располагается как в отрицательных, так и положительных значениях значениях Кор. 1 и только в положительных значениях Кор. 2; класс «2» располагается только в положительных значениях Кор. 1 и как в отрицательных, так и в положительных значениях Кор. 2. По ОГ IIП класс «0» располагается только в отрицательных значениях Кор. 1 и как в отрицательных, так и в положительных значениях Кор. 2; класс «1» располагается как в отрицательных, так и положительных значениях значениях Кор. 1 и только в отрицательных значениях Кор. 2; класс «2» располагается только в положительных значениях Кор. 1 и только в положительных значениях Кор. 2. Апостериорные вероятности, полученные в результате дискриминантного анализа, характеризующие вероятность принадлежности структуры к конкретному классу, представлены в табл. 8 и 9 для ОГ IIК и ОГ IIП соответственно [38, 41-42]. Схема совместного распределения различных классов структур по результатам анализа апостериорных вероятностей, полученных при использовании дискриминантного анализа, представлена на рис. 4. Из рисунка можно сделать вывод, что данный подход к ранжированию может применяться для различных структур, независимо от их географического расположения и принадлежности тектоническим элементам, поскольку структуры всех классов распределены повсеместно. Заключение В результате анализа зависимостей амплитуд структур по данным поисково-оценочного бурения от различных геолого-морфологических показателей, таких как амплитуда структуры, подготовленной к глубокому бурению по данным паспорта, площадь структуры по соответствующему отражающему горизонту, отношение длины структуры к ее ширине, угол между длинной осью структуры и осью ближайшего тектонического элемента второго порядка, расстояние от структуры до края ближайшего тектонического элемента второго порядка и расстояние от структуры до центра ближайшего тектонического элемента второго порядка, были разработаны геолого-статистические модели трех классов структур с разной перспективностью. Для каждой модели были определены и описаны характер и степень влияния изученных показателей на подтверждаемость амплитуды бурением. Оценка дифференциации структур по классам и точность определения границ классов были подтверждены при классификации структур тестовой выборки с помощью дискриминантного анализа. Данный геолого-статистический подход может применяться для более точной оценки рисков, связанных с проблемой неподтверждаемости геолого-морфологических характеристик подготовленных к глубокому бурению структур, а также для определения первоочередных объектов геологоразведочных работ, независимо от их географического расположения и принадлежности тектоническим элементам.

About the authors

E. S. Kolesnikov

Perm National Research Polytechnic University

References

  1. Галкин В.И., Растегаев А.В., Галкин С.В. Вероятностно-статистическая оценка нефтегазоносности локальных структур. - Екатеринбург, 2011. - 299 с.
  2. Галкин В.И., Кривощеков С.Н. Обоснование направлений поисков месторождений нефти и газа в Пермском крае // Научные исследования и инновации. - 2009. - Т. 3, № 4. - С. 3-7.
  3. Геохимические показатели РОВ пород как критерии оценки перспектив нефтегазоносности / В.И. Галкин, И.А. Козлова, О.А. Мелкишев, М.А. Шадрина // Нефтепромысловое дело. - 2013. - № 9. - С. 28-31.
  4. Cosentino L.Integrated reservoir studies. - Paris: Editions Technip, 2001. - 400 p.
  5. Armstrong M. Basic Linear Geostatistics. - Springer, 1998. - 155 p.
  6. Meisner J., Demirmen F. The creaming method: a bayesian procedure to forecast future oil and gas discoveries in mature exploration provinces // Journal of the Royal Statistical Society. Series A. - 1981. - Vol. 144, № 1. - P. 1-31. doi: 10.2307/2982158
  7. О возможности прогнозирования нефтегазоносности фаменских отложений с помощью построения вероятностно-статистических моделей / В.И. Галкин, И.А. Козлова, С.Н. Кривощеков, Е.В. Пятунина, С.Н. Пестова // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2007. - № 10. - С. 22-27.
  8. Кривощеков С.Н., Галкин В.И. Построение матрицы элементарных ячеек при прогнозе нефтегазоносности вероятностно-статистическими методами на территории Пермского края // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2008. - № 8. - С. 20-23.
  9. Дифференцированная вероятностная оценка генерационных процессов в отложениях доманикового типа Пермского края / В.И. Галкин, Т.В. Карасева, И.А. Козлова, М.А. Носов, С.Н. Кривощеков // Нефтяное хозяйство. - 2014. - № 12. - С. 103-105.
  10. Галкин В.И., Соловьев С.И. Районирование территории Пермского края по степени перспективности приобретения нефтяных участков недр // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2015. - № 16. - С. 14-24. doi: 10.15593/224-9923/2015.16.2.
  11. Южаков А.Л. Прогноз нефтегазоносности структур по тектоническим элементам отражающего горизонта IIК южной части Пермского края // Новые направления нефтегазовой геологии и геохимии. Развитие геологоразведочных работ: сборник материалов II Междунар. науч. конф. - Пермь, 2019. - С. 195-200.
  12. Deutsch C.V. Geostatistical Reservoir modelling. - Oxford University Press, 2002.
  13. Поморский Ю.Л. Методы статистического анализа экспериментальных данных: монография. - Л., 1960. - 174 с.
  14. Isaaks E.H., Srivastava R.M. An Introduction to Applied Geostatistics. - Oxford University Press, 1989. - 561 p.
  15. Kovalevskiy E. Geological Modelling on the Base of Geostatistics: Course Note. - Student Lecture Tour. - RUSSIA & CIS, 2011-2012.
  16. Воеводкин В.Л., Галкин В.И., Кривощеков С.Н. Исследование влияния критериев нефтегазоносности и изученности территории Пермского края на распределение месторождений углеводородов // Нефтяное хозяйство. - 2012. - № 6. - С. 30-34.
  17. Zhuoheng Ch., Osadetz K.G. Geological Risk Mapping and Prospect Evaluation Using Multivariate and Bayesian Statistical Methods, Western Sverdrup Basin of Canada // AAPG Bulletin. - 2006. - Vol. 90. - № 6. - P. 859-872. doi: 10.1306/01160605050
  18. Галкин С.В. Вероятностный прогноз геологических рисков при поисках месторождений нефти и газа. - Пермь: Книжный мир, 2009. - 224 с.
  19. Kaufman M.G. Statistical issues in the assessment of undiscovered oil and gas resources. - MITCEEPR, 1992. - 30 p.
  20. К методике оценки перспектив нефтегазоносности Соликамской депрессии по характеристикам локальных структур / В.И. Галкин, И.А. Козлова, А.В. Растегаев, И.В. Ванцева, С.Н. Кривощеков, В.Л. Воеводкин // Нефтепромысловое дело. - 2010. - № 7. - С. 12-17.
  21. GSLIB: Geostatistical Software Library and User's Guide. - New York: Oxford University Press, 1998. - 369 p.
  22. Южаков А.Л. Классификация структурных локальных остатков отражающего горизонта IIК на примере юга Пермского края // Проблемы разработки месторождений углеводородных и рудных полезных ископаемых: материалы XI Всерос. науч.- техн. конф., г. Пермь, 7-9 ноября 2018 г. - Пермь, 2018. - С. 85.
  23. Путилов И.С. Научное обоснование вероятностно-статистических методов прогноза нефтегазоносности структур в условиях высокоизученных территорий. - Пермь, 2016. - 369 с.
  24. Лядова Н.А., Яковлев Ю.А., Распопов А.В. Геология и разработка нефтяных месторождений Пермского края. - М.: ВНИИОЭНГ, 2010. - 335 с.
  25. Путилов И.С. Разработка технологий комплексного изучения геологического строения и размещения месторождений нефти и газа. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2014. - 285 с.
  26. Галкин С.В., Лобанов Д.С. Использование многомерных статистических моделей при оперативном контроле извлекаемых запасов визейских залежей Пермского края // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2022. - Т. 333, № 5. - С. 126-136. doi: 10.18799/24131830/2022/5/3463
  27. Кривощеков С.Н. Разработка регионально-зональных критериев прогноза нефтегазоносности территории Пермского Прикамья вероятностно-статистическими методами // Нефтяное хозяйство. - 2011. - № 10. - С. 10-14.
  28. Кривощеков С.Н., Галкин В.И., Волкова А.С. Разработка вероятностно-статистической методики прогноза нефтегазоносности структур // Нефтепромысловое дело. - 2010. - № 7. - С. 28-31.
  29. Montgomery D.C., Peck E.A., Introduction to linear regression analysis. - New York: John Wiley & Sons, 1982. - 504 p.
  30. Михалевич И.М. Применение математических методов при анализе геологической информации (с использованием компьютерных технологий). - Иркутск, 2006. - 115 с.
  31. Фокин. А. Риски и неопределенности в геологоразведочном процессе // Новатор. - 2011. - № 43. - С. 8-12.
  32. Путилов И.С. Трехмерное геологическое моделирование при разработке нефтяных и газовых месторождений. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2011. - 72 с.
  33. Johnson N.L., Leone F.C. Statistics and experimental design. - New York - London - Sydney - Toronto, 1977. - 606 p.
  34. Yarus J.M. Stochastic modeling and geostatistics // AAPG. - Tulsa, Oklahoma, 1994. - 231 p.
  35. Ампилов Ю.П. Методы геолого-экономического моделирования ресурсов и запасов нефти и газа с учетом неопределенности и риска. - М.: Геоинформмарк, 2002. - 201 с.
  36. Horne R.N. Modern well test analysis: A computer aided approach. - 2nd ed. - Palo Alto: Petroway Inc, 2006. - 257 p.
  37. Путилов И.С., Галкин В.И. Разработка методики вероятностно-статистического прогноза нефтегазоносности локализованных структур (на примере южной части Пермского края) // Нефтяное хозяйство. - 2014. - № 4. - С. 26-29.
  38. Кривощеков С.Н., Кочнев А.А., Санников И.В. Перспективы нефтегазоносности отложений доманикового типа на территории Пермского края // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2013. - № 9. - С. 18-26. doi: 10.15593/2224-9923/2013.9.2
  39. Дементьев Л.Ф. Математические методы и ЭВМ в нефтегазовой геологии. - М.: Недра, 1987. - 264 с.
  40. Алтунин А.Е., Семухин М.В. Расчеты в условиях риска и неопределенности в нефтегазовых технологиях. - М.; Тюмень: Изд-во Тюмен. гос. ун-та, 2004. - 296 с.
  41. Prediction of residual oil satiration by using the ratio of amplitude of time-lapse seismic data / L. Meng, L. Zhen, L. Minzhu, Z. Huilai // Geophysics. - 2017. - Vol. 82, № 1. - P. 1-12. doi: 10.1190/geo2015-0453.1
  42. Davis J.C. Statistics and Data Analysis in Geology. - 3Rd Edition. - John Wiley & Sons, 2002. - 656 p.
  43. Галкин В.И., Жуков Ю.А., Шишкин М.А. Применение вероятностных моделей для локального прогноза нефтегазоносности. - Екатеринбург: Изд-во Уро РАН, 1990. - 108 с.
  44. Путилов И.С., Галкин В.И. Применение вероятностного статистического анализа для изучения фациальной зональности турне-фаменского карбонатного комплекса Сибирского месторождения // Нефтяное хозяйство. - 2007. - № 9. - С. 112-114.
  45. Дюбруль О. Использование геостатистики для включения в геологическую модель сейсмических данных / Евр. ассоциация геоученых и инженеров (EAGE). - М., 2002. - 296 c.
  46. Давыденко А.Ю. Вероятностно-статистические методы в геолого-геофизических приложениях. - Иркутск, 2007. - 29 с.
  47. Houze O., Viturat D., Fjaere O.S. Dinamie data analysis. - Paris: Kappa Engineering, 2008. - 694 p.
  48. Комплексный подход к изучению доманиковых отложений на территории Пермского края / И.С. Путилов, С.И. Соловьев, А.А. Обухов, Е.В. Пятунина // Перспективы увеличения ресурсной базы разрабатываемых отложений, в том числе из доманиковых отложений: сборник докладов по итогам межрегион. науч.-практ. конф., посвященной 70-летию НГДУ "Лениногорскнефть", Карабаш, 6-7 августа 2015 г. / ПАО "Татнефть". - Альметьевск, 2015. - С. 71-78.

Statistics

Views

Abstract - 60

PDF (Russian) - 39

PDF (English) - 4

Refbacks

  • There are currently no refbacks.

Copyright (c) 2023 Kolesnikov E.S.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies